論文の概要: GraphMAS: A Systematic Benchmark of Multi-Agent Coordination for Graph Learning

• arxiv url: http://arxiv.org/abs/2609.39777v1
• Date: Wed, 30 Sep 2026 14:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.867599
• Title: GraphMAS: A Systematic Benchmark of Multi-Agent Coordination for Graph Learning
• Title（参考訳）: GraphMAS: グラフ学習のためのマルチエージェントコーディネーションのシステムベンチマーク
• Abstract要約: GraphMASは、グラフ学習のためのマルチエージェント協調の体系的なベンチマークである。 固定された専門家プール上でコーディネーションを学習し、ホールドアウトグラフに転送できることが示される。
• 参考スコア（独自算出の注目度）: 10.892835887346843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems coordinate specialized reasoning through aggregation, interaction, and adaptive control, yet their potential for graph learning remains unexplored. Graph learning is a natural setting for such systems because useful evidence may arise from heterogeneous local, long-range, global structural, and semantic perspectives whose relevance varies across instances. Existing LLM-based graph learning approaches primarily rely on single-agent reasoning, while multi-agent coordination has been studied mainly in general reasoning settings. Consequently, it remains unclear whether multiple specialized agents can improve graph learning and how coordination strategies should be designed and evaluated. To address this gap, we introduce GraphMAS, a systematic benchmark of multi-agent coordination for graph learning. GraphMAS builds a shared pool of graph reasoning specialists and organizes coordination along two dimensions, inter-agent interaction and runtime adaptivity, yielding four paradigms and seven representative coordination methods. Under a unified protocol, we evaluate these methods across seven text-attributed graphs, three domains, and two graph learning tasks. We find that heterogeneous graph perspectives are complementary, and that coordinating specialists improves over individual specialists and single-agent graph reasoning, with gains from decomposing reasoning across specialists rather than from broader evidence access alone. However, richer inter-agent interaction does not reliably help, whereas instance-adaptive specialist selection yields the strongest accuracy-efficiency trade-off. We further show that coordination can be learned over a fixed specialist pool and transfers to held-out graphs. GraphMAS therefore provides a controlled evaluation framework and empirical principles for understanding when and how multi-agent coordination benefits graph learning.
• Abstract（参考訳）: LLMベースのマルチエージェントシステムは、集約、相互作用、適応制御を通じて特別な推論を調整するが、グラフ学習の可能性はまだ解明されていない。 グラフ学習は、不均一な局所的、長距離的、グローバルな構造的、意味的な視点から生じる有用な証拠が、インスタンスによって異なるため、そのようなシステムにとって自然な設定である。 既存のLLMベースのグラフ学習アプローチは、主に単一エージェント推論に依存しているのに対し、マルチエージェントコーディネーションは主に一般的な推論設定で研究されている。 その結果、複数の専門エージェントがグラフ学習を改善することができるのか、どのようにコーディネーション戦略を設計・評価すべきかは明らかでない。 このギャップに対処するために、グラフ学習のためのマルチエージェント協調の体系的ベンチマークであるGraphMASを紹介する。 GraphMASはグラフ推論スペシャリストの共有プールを構築し、エージェント間相互作用と実行時適応性の2つの次元に沿って調整を組織し、4つのパラダイムと7つの代表的コーディネーションメソッドを生成する。 統一されたプロトコルでは、7つのテキスト対応グラフ、3つのドメイン、2つのグラフ学習タスクにまたがってこれらの手法を評価する。 ヘテロジニアスグラフの観点は相補的であり、専門家のコーディネートは個々の専門家やシングルエージェントのグラフ推論よりも改善され、より広範なエビデンスアクセスからではなく、専門家間の推論を分解することで得られる。 しかし、よりリッチなエージェント間相互作用は確実には役に立たないが、インスタンス適応型スペシャリストの選択は、最も高い精度と効率のトレードオフをもたらす。 さらに、固定された専門プール上でコーディネーションを学習し、ホールドアウトグラフに転送できることが示される。 したがって、GraphMASは、いつ、どのようにマルチエージェント協調がグラフ学習に役立つかを理解するための、制御された評価フレームワークと経験則を提供する。

関連論文リスト

• Multi-Agent Agentic Graph Learning via Structural Signatures [15.798786167030853]
  エージェントグラフ学習(AGL)は近年,グラフ推論タスクにおいて有望な結果を達成している。 既存のメソッドでは、単一のエージェントを使用するか、複数のロールベースのエージェントを編成して、グラフ全体を推論し、学習する。 本稿では,マルチエージェントエージェントグラフ学習(MAAGL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-09T00:43:45Z)
• Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning [4.703280619961521]
  GraphRAGは、知識関係を明示的にモデル化することで、外部知識統合機能を効果的に強化する。 既存の方法には2つの固有の制限がある。 マルチエージェント協調に基づくグラフRAG法であるGraph Counselorを提案する。
  論文  参考訳（メタデータ） (2025-06-04T13:31:21Z)
• GPS: Graph Contrastive Learning via Multi-scale Augmented Views from Adversarial Pooling [23.450755275125577]
  自己教師付きグラフ表現学習は、バイオインフォマティクスやソーシャルネットワークなど、様々な分野において、最近かなりの可能性を秘めている。 本稿では,これらの問題に対処するための新しいアプローチとして Graph Pooling ContraSt (GPS) を提案する。 グラフプーリングは、冗長性の除去によってグラフを適応的に粗いものにすることができることから、グラフプーリングを再考し、それを活用して、マルチスケールのポジティブビューを自動的に生成する。
  論文  参考訳（メタデータ） (2024-01-29T10:00:53Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Learning to Coordinate via Multiple Graph Neural Networks [16.226702761758595]
  MGANはグラフ畳み込みネットワークと値分解手法を組み合わせた新しいアルゴリズムである。 グラフネットワークの出力を可視化することにより,表現学習におけるグラフネットワークの驚くべき能力を示す。
  論文  参考訳（メタデータ） (2021-04-08T04:33:00Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。